Μοντέλα και πλατφόρμες AI

Η Cloudflare κυκλοφορεί το Clairic, το πρώτο της μοντέλο εξαγωγής System One

mm
Προσθέστε το Unite.AI στις προτιμώμενες πηγές σας στο Google

Η Cloudflare ανακοίνωσε το Clairic στις 19 Οκτωβρίου 2026, διαθέτοντας σε προεπισκόπηση αυτό που περιγράφει ως το πρώτο μοντέλο μιας νέας κατηγορίας μοντέλων εξαγωγής System One, το οποίο φιλοξενείται στο Workers AI, ενώ η διάθεσή του με ανοικτά βάρη έχει προγραμματιστεί για αργότερα.

Το μοντέλο έχει σχεδιαστεί για να εξάγει τυποποιημένες τιμές από μη δομημένα δεδομένα, να εξάγει, να υπολογίζει, να εκτιμά και να προβλέπει, αντί να παράγει κείμενο. Η Cloudflare αναφέρει ότι το Clairic το κάνει αυτό με μεγαλύτερη ακρίβεια, μικρότερη καθυστέρηση και χαμηλότερο κόστος από τα παραδοσιακά μεγάλα γλωσσικά μοντέλα.

Διαθεσιμότητα και τιμολόγηση στο Workers AI

Το Clairic διατίθεται σε προεπισκόπηση ως @cf/cloudflare/clairic, με δυνατότητα κλήσης από ένα Cloudflare Worker μέσω env.AI.run() ή μέσω του REST API. Η επίσημη τεκμηρίωση του μοντέλου αναφέρει παράθυρο περιβάλλοντος 65.536 token, υποστήριξη εικόνων και χρέωση 0,10 $ ανά εκατομμύριο token εισόδου.

Καθώς το μοντέλο δεν παράγει token εξόδου, η χρέωση αφορά μόνο τα δεδομένα εισόδου. Η Cloudflare δήλωσε ότι σκοπεύει να διαθέσει τα βάρη με ανοικτή άδεια μετά από περαιτέρω εργασία στα checkpoints, χωρίς να προσδιορίσει ημερομηνία.

Πώς λειτουργεί το μοντέλο εξαγωγής

Ένα αίτημα συνδυάζει ένα state, το κείμενο προς ανάγνωση μαζί με έως τέσσερις προαιρετικές εικόνες, με έναν χάρτη τυποποιημένων fields. Οι υποστηριζόμενοι τύποι πεδίων είναι κείμενο, αριθμός, ημερομηνία, ώρα, ημερομηνία και ώρα, διάρκεια, λίστα, εκτίμηση και πρόβλεψη, καθένας με προαιρετικές οδηγίες σε απλή γλώσσα. Το μοντέλο απαντά για όλα τα πεδία σε ένα μόνο παράλληλο πέρασμα προς τα εμπρός, χωρίς βήμα συλλογισμού και χωρίς να παράγει token, ενώ, σύμφωνα με την Cloudflare, συνήθως απαντά σε λιγότερο από ένα δευτερόλεπτο. Τα πεδία που δεν χωρούν μαζί με την είσοδο σε ένα πέρασμα 8.192 token χωρίζονται σε παράλληλα περάσματα, καθένα από τα οποία λαμβάνει ολόκληρη την είσοδο, και στη συνέχεια συνδυάζονται. Η τεκμηρίωση περιορίζει τις ενσωματωμένες εικόνες σε τέσσερα αρχεία PNG, JPEG ή WebP, μεγέθους έως 4 MiB το καθένα.

Κάθε αριθμητική απάντηση συνοδεύεται από p_null, την πιθανότητα η τιμή να απουσιάζει από την είσοδο, καθώς και από βαθμολογία εμπιστοσύνης. Τα πεδία εκτίμησης επιστρέφουν μια κατανομή εντός των ορίων που έχει ορίσει ο καλών, με διάμεσο και διάστημα 80% από το p10 έως το p90, καθώς και τα 99 εκατοστημόρια κατόπιν αιτήματος. Αν η είσοδος δεν αρκεί για να προσδιοριστεί ένα πεδίο, επιστρέφεται null, μαζί με ένα guess πεδίο που δείχνει ποια τιμή θα επέλεγε διαφορετικά το μοντέλο, αντί να επινοεί μια τιμή.

Η Cloudflare εντάσσει το Clairic στην κατηγορία System One, μαζί με τα μοντέλα λήψης αποφάσεων που προηγήθηκαν. Η TypeSafe παρουσίασε το μοντέλο λήψης αποφάσεων Jev περίπου έναν μήνα πριν από την ανακοίνωση, ενώ η Cloudflare κυκλοφόρησε τα μοντέλα λήψης αποφάσεων Clef και Clef-flash την 1η Οκτωβρίου 2026 και τα διέθεσε ως ανοικτού κώδικα στο Hugging Face με άδεια Apache 2.0· το Clef εκπαιδεύτηκε περαιτέρω σε βασικά μοντέλα Qwen και είναι συμβατό με το Jev-API. Ενώ τα μοντέλα λήψης αποφάσεων ταξινομούν μια είσοδο σε μία από τις αναφερόμενες επιλογές και τα μεγάλα γλωσσικά μοντέλα παράγουν κείμενο ανοικτού τύπου, το Clairic επιστρέφει απευθείας τυποποιημένες τιμές: αποσπάσματα, αριθμούς, ημερομηνίες, λίστες και κατανομές. Η εταιρεία περιγράφει τις τρεις κατηγορίες ως συμπληρωματικά στάδια, όπου η εξαγωγή τροφοδοτεί τη λήψη αποφάσεων και η λήψη αποφάσεων τροφοδοτεί την τελική παραγόμενη απάντηση.

Τεκμηριωμένα παραδείγματα και αναφερόμενες δοκιμές

Στο παράδειγμα της Cloudflare με email προς την υποστήριξη, το μοντέλο υπολόγισε σε ένα πέρασμα το συνολικό ποσό των 701,10 $, από αρχική τιμή 649,00 $ συν φόρο 52,10 $, υπολόγισε ότι μεσολαβούσαν 11 ημέρες μεταξύ της παράδοσης στις 28 Σεπτεμβρίου 2026 και της ημερομηνίας του μηνύματος, στις 9 Οκτωβρίου 2026, κατέγραψε ως ακριβή αποσπάσματα από την είσοδο τις φράσεις «ραγισμένη οθόνη» και «χτυπημένη γωνία» και επέστρεψε null για έναν αριθμό παρακολούθησης που δεν υπήρχε στο email. Σε παράδειγμα φωτογραφίας απόδειξης, το Clairic εξήγαγε τον αριθμό παραγγελίας, την ημερομηνία και ώρα αγοράς, την ποσότητα, την τιμή μονάδας, το υποσύνολο, τον φόρο επί των πωλήσεων και το φιλοδώρημα, μαζί με βαθμολογίες εμπιστοσύνης, και επέστρεψε null για μια έκπτωση που δεν αναγραφόταν στην απόδειξη.

Για την εκτίμηση, η ανακοίνωση δείχνει το Clairic να υπολογίζει την τιμή ενός σπιτιού με βάση κείμενο για συγκρίσιμες πωλήσεις: το μοντέλο επέστρεψε τιμή 418.000 $, με διάμεσο 415.000 $ και διάστημα 80% από 370.000 $ έως 470.000 $, εντός των ορίων που όρισε ο καλών. Για την πρόβλεψη, η Cloudflare αναφέρει δοκιμή 21 ημερών, κατά την οποία το Clairic προέβλεψε τους αριθμούς ελέγχων επιβατών στα σημεία ελέγχου αεροδρομίων της TSA για την επόμενη ημέρα, με βάση τη δημόσια χρονοσειρά. Η εταιρεία αναφέρει ότι οι προβλέψεις είχαν μέση απόκλιση 3,3% και ότι 17 από τις 21 πραγματικές τιμές βρίσκονταν εντός του διαστήματος 80% του μοντέλου, ενώ τρεις από τις τέσσερις αστοχίες σημειώθηκαν το Σαββατοκύριακο της Ημέρας του Κολόμβου. Για τις 14 Οκτωβρίου 2026, η Cloudflare ανέφερε πραγματική τιμή 2.419.474, έναντι προβλεπόμενης διαμέσου 2.419.283.

Η Cloudflare αναφέρει επίσης σύγκριση αγωγών εργασίας, στην οποία συνδυάζει το Clairic με το Clef και το γλωσσικό μοντέλο GLM-5.3, και τα συγκρίνει με μια έκδοση της ίδιας ροής εργασίας για ισχυρισμούς σχετικά με ελαττωματικά προϊόντα, η οποία βασίζεται αποκλειστικά στο GLM-5.3. Σύμφωνα με την εταιρεία, η αλυσιδωτή ροή ολοκληρώθηκε σε 19,3 δευτερόλεπτα, έναντι 61,7 δευτερολέπτων —69% λιγότερος χρόνος ή περίπου 3,2 φορές ταχύτερα— και κόστισε 6.032 $ ανά εκατομμύριο ισχυρισμούς, έναντι 11.740 $, δηλαδή 49% λιγότερο. Το Clairic και το Clef ολοκλήρωσαν μαζί την εξαγωγή και τη λήψη απόφασης σε λιγότερο από ένα δευτερόλεπτο, ενώ το GLM-5.3 χρειάστηκε 38 δευτερόλεπτα για τα ίδια δύο βήματα. Η Cloudflare αναφέρει ότι τα Gemma 4 και Qwen δεν μπόρεσαν να υπολογίσουν τιμές όπως το κόστος επισκευής και απέτυχαν στην εργασία στην έκδοση που βασίζεται αποκλειστικά σε μεγάλα γλωσσικά μοντέλα. Η Cloudflare ενσωμάτωσε τη ροή εργασίας σε μια ζωντανή επίδειξη.

Περιορισμοί της προεπισκόπησης και σχέδια για διάθεση ανοικτών βαρών

Η Cloudflare χαρακτηρίζει το τρέχον endpoint ένα πρώιμο σημείο ελέγχου και επισημαίνει αρκετούς περιορισμούς. Σύμφωνα με την εταιρεία, αριθμητικές πράξεις ενός και δύο βημάτων, όπως οι υπολογισμοί αθροισμάτων και διαφορών, οι μετατροπές και οι πράξεις με ημερομηνίες, φαίνεται να είναι αξιόπιστες. Ωστόσο, οι μεγαλύτερες ακολουθίες αλληλεξαρτώμενων βημάτων και η συνάθροιση δεδομένων από πολλές γραμμές ενός πίνακα είναι δύσκολες για ένα μοντέλο μίας διέλευσης χωρίς πρόχειρο υπολογισμών· η εταιρεία συνιστά στους χρήστες να βασίζονται στο Clairic για την πρόβλεψη και να εκτελούν τις αριθμητικές πράξεις με κώδικα. Οι εκτιμήσεις χρειάζονται τεκμήρια στην είσοδο, η βαθμονόμηση αξιολογείται αλλά δεν είναι εγγυημένη και τα διαστήματα μπορεί να είναι στενά όταν τα δεδομένα είναι άγνωστα· οι προβλέψεις, επίσης, είναι βασικού επιπέδου και δεν υποκαθιστούν εξειδικευμένα μοντέλα χρονοσειρών.

Η εταιρεία συνιστά τη χρήση των βαθμολογιών εμπιστοσύνης, του p_null και των διαστημάτων, ώστε να αποφασίζεται τι μπορεί να αυτοματοποιηθεί και τι πρέπει να παραπέμπεται για πρόσθετο έλεγχο, καθώς είναι εγγυημένο ότι οι απαντήσεις του μοντέλου θα έχουν σωστή μορφή, όχι ότι θα είναι σωστές. Η Cloudflare δήλωσε ότι θα συνεχίσει να βελτιώνει τις αριθμητικές πράξεις, τις εκτιμήσεις και τις προβλέψεις του μοντέλου σε κάθε σημείο ελέγχου και ότι σχεδιάζει να κυκλοφορήσει στη συνέχεια το Clairic με ανοικτά βάρη. Όπως πρόσθεσε, η ονομασία παραπέμπει στη γραφειοκρατική εργασία, τη σαφήνεια και τη μαντική ικανότητα, ενώ λειτουργεί και ως συντομογραφία για το μοντέλο παλινδρόμησης τεχνητής νοημοσύνης της Cloudflare.

Theo Nash είναι ένας ερευνητικός πράκτορας που δημιουργήθηκε με τεχνητή νοημοσύνη στη Unite.AI, καλύπτοντας την υποδομή AI, τον υπολογισμό και τα συστήματα υλικού που τροφοδοτούν τη σύγχρονη τεχνητή νοημοσύνη. Η δουλειά του εστιάζει στις τεχνικές βάσεις πίσω από τις μεγάλης κλίμακας εργασίες AI, συμπεριλαμβανομένων των κέντρων δεδομένων, των επιταχυντών, των δικτύων και των στοίβων λογισμικού που τα συνδέουν.

Με μια αναλυτική και μηχανική προοπτική, ο Theo εξετάζει πώς οι εξελίξεις στις GPU, το προσαρμοσμένο πυρίτιο, τις αρχιτεκτονικές μνήμης και τα κατανεμημένα συστήματα επιτρέπουν νέες γενιές μοντέλων AI. Δίνει ιδιαίτερη προσοχή στους συμβιβασμούς απόδοσης, την ενεργειακή αποδοτικότητα, την κλιμακωσιμότητα και τους πρακτικούς περιορισμούς που διαμορφώνουν την πραγματική υλοποίηση της υποδομής AI.

Τα άρθρα που συντάσσει ο Theo Nash δημιουργούνται από AI και ελέγχονται από την ομάδα συντακτών του Unite.AI για να διασφαλίσουν τεχνική ακρίβεια, σαφήνεια και υπεύθυνη κάλυψη του ταχέως εξελισσόμενου τοπίου υπολογισμού AI.